基础知识

Gemini Robotics 2：相比 1.x 系列的变化

谷歌 DeepMind 于 2026 年 7 月 30 日发布了 Gemini Robotics 2：三个模型成套提供，分担驱动一台机器人的工作。
一个理解场景并制定计划，一个把计划转换为动作，还有一个运行在机器人自身的硬件上。
最重要的变化是，如今单个模型就能控制人形机器人的整个身体，包括行走、下蹲与保持平衡，而不再只是手臂。

发布于2026-08-03阅读约 13 分钟

分享本文发布到 X

01三个模型

这三者并非同一模型的衍生版本。它们分别位于同一套架构的不同层级：判断、运动，以及在机器人本体上运行。真正运转的系统会同时用到其中多个。

PLANS

Gemini Robotics ER 2 模型

充当智能体的视觉语言模型：它对物理场景进行推理、与人对话、调用数字工具，并把任务拆解为交给动作模型的步骤。基座是 Gemini 3.5 Flash。

通过连续视频跟踪进度
同时调度多台机器人
通过 Gemini API 公开提供

MOVES

Gemini Robotics 2 模型

把视觉与语言转换为运动控制的视觉-语言-动作模型。本次发布中获得全身控制与多指灵巧性的正是它。

驱动人形机器人从脚尖到指尖
同样可驱动双臂平台与简单夹爪
仅限早期访问合作方

RUNS LOCALLY

Gemini Robotics On-Device 2 模型

一款更小的 VLA，用于在没有网络连接的情况下运行于机器人自身的硬件，并可快速迁移到陌生的机器人本体上。

数小时内适应新的本体
通常少于 200 条样本
仅限受信任的测试者访问

DeepMind 自家的安全报告把这种分工称为“系统 2 / 系统 1”架构：上游是慢想的规划角色，下游是反射式快速反应的控制角色。三者中只有一个对开发者公开，原因也能从这一架构说明。详见后文的获取方式一节。

谷歌 DeepMind 关于本次发布的官方概览影像，在一条片子里介绍全部三个模型。

02相比 1.x 的变化

版本 2 是 2025 年 3 月开启的这一系列的第五次发布，此后三条线各自按不同节奏更新。并排来看，它们相对 1.x 的跨度各不相同。

VLA

1.5 到 2

只有手臂 → 从脚尖到指尖
夹爪 → 22 自由度五指灵巧手
桌面可及范围 → 行走、下蹲、保持平衡

Gemini Robotics 1.5 当时已经能在 ALOHA 2、Apollo 与双臂 Franka 上运行，但它所做的都是手臂的活：抓取、分拣、放置。版本 2 连腿部与躯干一并接管，因此够到低处架子或地面的动作被纳入同一套策略之内，不必再由另一个控制器来安排。

1.5 与 1.6 到 2

静态画面 → 连续视频
单台 → 调度多台
仪表读数在 1.6 新增，2 中仍为评测项

Gemini Robotics-ER 1.5 在 15 项具身推理学术基准的综合成绩上位列第一；1.6 改进了指向、计数与多视角理解，并与波士顿动力合作新增了仪表读数。ER 2 的变化更多在时间维度而非精度：正是改用连续视频而非静态画面，才让它能回答某一步何时完成，而不只是画面里有什么。

ON-DEVICE

Gemini Robotics On-Device 到 2

2025 年：一项新任务需 50-100 次示教
2026 年：一具新本体需数小时、样本少于 200 条
自 2025 年起即在 ALOHA、Franka FR3 与 Apollo 上验证

三条线里，中间没有任何版本的只有这一条：Gemini Robotics On-Device 于 2025 年 6 月发布，而 DeepMind 为这条线发布的下一样东西，就是约 13 个月后的版本 2。2025 年的模型据称能以 50 至 100 次示教适应一项新任务；2026 年的模型给出的是另一个维度，在数小时内、以少于 200 条样本适应一具全新的机器人本体。两者不能作为同一尺度上的改进并列，因为一个数的是新任务，另一个数的是新硬件。

并非一切都被替换。1.5 引入的两项机制，正是版本 2 继续推进的部分：把在一种机器人本体上演示过的技能迁移到另一种本体的 Motion Transfer，以及行动前用自然语言进行的内部推理步骤。这样看，全身控制与数分钟量级的规划与其说是全新方向，不如说是这两个想法的延伸。

迄今的版本

推理模型已三次在没有配套动作模型发布的情况下更新，因为开发者能通过普通 API 接触到的正是这一半。这次连写法也变了：到 1.6 为止写作 Gemini Robotics-ER，从版本 2 起写作不带连字符的 Gemini Robotics ER 2。

日期	事件
2025-03	Gemini Robotics 与 Gemini Robotics-ER 同时发布，基于 Gemini 2.0，仅向 Agile Robots、Agility Robotics、波士顿动力与 Enchanted Tools 等受信任的测试者开放。
2025-06	Gemini Robotics On-Device：首个为在机器人本体而非数据中心上运行而构建的版本。
2025-09	Gemini Robotics 1.5 与 Gemini Robotics-ER 1.5 新增 Motion Transfer，把在一种机器人本体上学到的技能迁移到另一种本体，并加入模型在行动前用自然语言推理的步骤。
2026-04	Gemini Robotics-ER 1.6 改进指向、计数与多视角理解，并与波士顿动力合作新增仪表读数。
2026-07	Gemini Robotics 2、Gemini Robotics ER 2 与 Gemini Robotics On-Device 2 同时发布，ER 的写法去掉了连字符：全身控制、多指灵巧性、多机器人协作，以及安全基准 ASIMOV-Agentic。

03全身控制

此前的 Gemini Robotics 实际上是上半身模型。它在桌面上移动手臂与手，超出这一活动范围的部分则不在其职责内。Gemini Robotics 2 加入了腿部与躯干，也就把机器人的重心纳入控制对象，因而可以朝目标行走、下蹲、俯身伸手，而不再局限于眼前已有的东西。

DeepMind 给出的实例是指令“把洒水壶放进下层架子的绿色箱子里”。Apptronik 的人形机器人 Apollo 2 走到桌边拿起洒水壶，再走到架子前放好。移动，以及伸手够到下层架子所需的平衡控制，都由模型负责。

谷歌 DeepMind 关于智能全身控制的官方影像：Apollo 2 一边行走、下蹲、稳住姿态，一边操作物体。正是这一行为把 Gemini Robotics 2 与此前只动手臂的一代区分开来。

成功率

76.3%

从架子上拿起

68.4%

从桌面上拿起

45.7%

从地面上拿起

装有 Inspire 灵巧手的 Apollo 2 上，通用全身操作的公开成功率。

值得留意的是从地面拾取的数值。从地上捡起物体恰恰是最需要全身控制的场景，而公开数据中最低的也正是这一项。这如实反映出该能力仍然很新。

04灵巧性

第二项进展是能够驱动复杂到难以手工编程的灵巧手。Gemini Robotics 2 可以驱动装有 22 自由度五指 SharpaWave 灵巧手的 Apollo 2，也能驱动常见的二指平行夹爪，例如装在 Franka Duo 上的 Robotiq 夹爪。这一覆盖面在商业上很重要：工业现场已经部署的机器人，大多装的是简单夹爪，而非拟人化的灵巧手。

DeepMind 公开的任务清单刻意选得琐碎。给垃圾袋打结、封上自封袋、把碎屑扫进簸箕、把灯泡拧进灯座，都需要针对一个会在操作过程中移动的物体持续调整力度。

谷歌 DeepMind 关于灵巧性的官方影像，呈现了上述成功率所对应的五指灵巧手任务。

五指灵巧手

装有 SharpaWave 灵巧手的 Apollo 2 各任务公开成功率

拧下灯泡

92%

给垃圾袋打结

44%

封上自封袋

40%

拧入灯泡

36%

扫进簸箕

32%

拧下灯泡和拧回灯泡几乎是同一动作的正反两向，而两个公开数值之间的差距是这份清单中最大的。拧下允许一定的粗略，因为螺纹一旦咬合就会自行引导。拧入则不然：施力之前必须先对准轴线。

二指夹爪

在 DeepMind 为二指夹爪公开的各项任务中，包括精密插入在内，二指夹爪的数值全面更高。也就是说，更强的手并不自动等于更可靠的手。

05多机器人协作

第三项进展属于 ER 2，而非动作模型。一个推理模型现在可以维护跨多台机器人的计划，把与各自本体相称的那部分工作分派下去，并跟踪谁完成到哪一步。DeepMind 的演示把人形机器人 Apollo 2 与双臂机械臂 Franka F3 Duo 搭配在一起；另一套方案则用 ER 2 通过导航与机械臂 API 调度波士顿动力的 Spot。

让这一点变得可用的，是 ER 2 观察对象的变化。它读取的是连续视频流而非静态画面，因而能判断某一步是否真的完成、发现失败，并在任务中途重新规划。DeepMind 描述的任务可持续数分钟、涉及数百次判断，这样的时间跨度是只看单帧快照的模型无法监督的。

谷歌 DeepMind 关于多机器人协作的官方影像：一台人形机器人与一台双臂机械臂在同一个推理模型之下处理同一项任务。

基准测试

公开的正确率（%）：ER 2 与各基准中最强比较模型的对比

Gemini Robotics ER 2 模型最强的比较模型

实机控制（对比 Gemini Robotics-ER 1.6）

60.0

48.6

人靠近到 1 米以内时停机（对比 GPT 5.6 Sol）

93.0

83.4

从图像判断成败（对比 Claude Opus 5）

87.7

83.6

具身问答 ERQA（对比 Gemini 3.6 Flash）

78.5

73.0

进度判定（对比 GPT 5.6 Sol）

57.4

46.2

其中进度判定的绝对值最低，而它恰恰是多机器人场景最依赖的能力：无法可靠判断任务进行到哪一步的调度方，会在错误的时机发出下一条指令。

06安全性评估

在发布模型的同时，DeepMind 公开了一份安全报告，并把所用基准 ASIMOV-Agentic 作为公开数据集发布。其论点是：急停、限速这类物理防护今后依然必要，但已不再充分——因为会自行拆解子任务的模型，可能在这些防护装置还没有可反应的对象之前，就走进危险之中。

ASIMOV-Agentic

ASIMOV-Agentic 评分的行为

拒绝违反既定操作约束的任务，例如超出负载上限，或触碰未密封食品容器的禁令，并说明理由。
当安全监控报告硬件故障、失去稳定或有人过于靠近时，即使在任务中途也触发保护性停机。
不把没有训练过的任务交给动作模型，而不是任由它临时生成一段无法信任的轨迹。
遇到含糊指令时向操作者确认而非猜测——例如桌上放着两条不同的带子，却被要求“把带子放进绿色托盘”。

结果的不均衡很有启发性。包括 ER 2 在内，受测的前沿模型在响应结构化安全消息一项上都取得了 100%，这是最接近传统软件的部分。相比之下，判断某项任务本身是否可行，则高度依赖模型事先被告知了多少关于动作模型训练范围的信息：正确率从完全没有说明时的 62.0%，一直拉开到说明最详尽时的 95.8%。

报告未涵盖的范围

报告主动写明自身的适用范围，这一点比其中任何单个数字都重要。它只评估高层次的语义推理，并列出了合规实机部署所需、而它并未评估的三件事：

安全报告适用范围之外

认证硬件：指部件本身是否通过功能安全标准的认证，而不只是看模型的行为表现。
冗余机制：让机器在某个部分失效时仍能向安全一侧停下的设计。
实时性保证：不是判断“该停”是否正确，而是从检测到危险到真正停下的时间有明确上限，并且可以证明。

在这里拿到高分，和获准在人身边工作，是两回事。那一层属于另一个工程领域，由 ISO/TS 15066 等标准规范。

07获取方式

面向所有人开放的只有推理模型。两个动作模型仍在早期访问的范围内，这也是 DeepMind 在此前每一代 Gemini Robotics VLA 上一贯采取的做法。

提供情况

各模型的使用条件

Gemini Robotics ER 2：通过 Gemini API 与 Google AI Studio 公开预览，并在 Gemini Enterprise Agent Platform 上提供私有预览。
上一代 ER 1.6 预览版已弃用，停用日期为 2026 年 8 月 31 日，官方指定的替代者是 ER 2。
Gemini Robotics 2（即 VLA）：仅限通过申请表加入的早期访问合作方，没有公开 API。
Gemini Robotics On-Device 2：仅限受信任的测试者，并设有早期访问的候补名单。

支持的硬件

支持的硬件不止于最受关注的那台人形机器人。DeepMind 列出的合作方包括 Apptronik、波士顿动力与 Agile Robots，公开的评估覆盖 Apollo 2、Franka Duo，端侧模型还覆盖 Dexmate、Trossen 与 SO-101 等平台，其中 SO-101 是一款低成本的开源机械臂。

08常见问题

我今天能在自己的机器人上使用 Gemini Robotics 2 吗？

只有推理这一半可以。Gemini Robotics ER 2 已通过 Gemini API 与 Google AI Studio 公开预览，你可以让它看一个场景并给出计划。真正生成动作的两个模型，即 VLA 与端侧 VLA，仅限早期访问合作方与受信任的测试者，因此要凑齐一整套仍需与 DeepMind 单独达成安排。

它和英伟达的 Isaac GR00T 有什么不同？

就“输出机器人动作的基础模型”而言，两者处于同一层级，但提供方式不同。英伟达公开 GR00T 的模型权重，供开发者下载并微调，并将其与仿真工具和自家算力硬件配套提供。DeepMind 则把 Gemini Robotics 的动作模型放在访问计划之内，以 API 形式提供的只有推理模型。

为什么公开的成功率里有些数值这么低？

因为这些是通用模型的数值，而不是为该任务专门打造的模型的数值。同样是拧灯泡，若用夹具固定、位置事先确定，传统工业机器人的可靠性要高得多——但灯泡挪开两厘米，它就完全无法应对。Gemini Robotics 的数值描述的是模型去尝试并未针对性编程的任务，这是另一种主张，条件也难得多。

有了安全报告，是否就意味着可以让这些机器人在人身边工作？

不是，报告本身就写明了这一点。它评估的是模型在高层次判断上是否稳妥：能否拒绝不安全的指令、触发停机、主动追问。同时它声明，不评估合规实机部署所需的认证硬件、冗余机制与实时性保证。那一层属于另一个领域的工作，由 ISO/TS 15066 等标准规范。